STT - 语音识别 (Speech-to-Text)#

将语音消息识别为文字。支持 ogg/wav/mp3/m4a 格式。

触发方式#

• 用户发送语音消息时自动触发
• 或者手动调用 skill

功能#

1. 自动识别语音 - 收到语音消息时自动转文字
2. 离线识别 - 使用 Faster-Whisper，无需网络
3. 格式转换 - 自动用 ffmpeg 转换音频格式

依赖#

• Python 包: faster-whisper, pydub
• ffmpeg: C:\ffmpeg\bin (需要在系统 PATH 中)

安装#

bash

pip install faster-whisper pydub

使用示例#

text

用户发送语音 → 自动识别为文字 → 根据文字内容回复

配置#

• 模型大小: tiny (可改为 base/small/medium/large，精度更高但更慢)
• 默认语言: zh (中文)
• ffmpeg 路径: C:\ffmpeg\bin

原理#

1. 接收语音文件 (ogg)
2. 用 ffmpeg 转换为 wav (16000Hz, mono)
3. 用 Faster-Whisper 识别为文字
4. 返回识别结果并继续对话